O crescimento global da população tem gerado um aumento no sector dos transportes, causando impactos ambientais devido às emissões de gases com efeito de estufa (GEE), que representam para o Brasil 30% da causa da produção destes gases. Por conseguinte, é importante ter uma estimativa precisa do CO2, para proporcionar medidas de mitigação. Com base em parâmetros do solo, comprimentos da rede rodoviária e propriedades da qualidade do ar para a cidade do Rio de Janeiro no Brasil, os níveis de CO2 são calculados utilizando modelos preditivos lineares, não lineares e de regressão neural da rede. Os modelos preditivos de Machine Learning utilizados são o modelo de regressão linear estatisticamente ajustado por uma função linear, optimizado por redes neurais para gerar uma precisão preditiva de valores e o modelo de regressão não linear (logarítmico, inverso, quadrático, logístico e exponencial), que para determinar estes gases com efeito de estufa gerados pelos veículos, O modelo é calculado utilizando variáveis alvo e independentes e é fornecido um conjunto de dados de teste ou de treino com parâmetros ideais estimados, rastreando o erro de previsão de uma forma mais optimizada, bem como determinando, através da distribuição normal gaussiana, o coeficiente de regressão para avaliar a validade dos modelos utilizados. Os resultados gerados pelo programador Python são projectados e cada modelo é descrito em detalhe para permitir a aplicação de modelos analíticos, a fim de estimar os valores de CO2 no Rio de Janeiro. Os resultados mostram, aplicando o modelo de regressão linear, uma maior precisão na relação linear, mostram também coeficientes de determinação (R2) em áreas de alto fluxo de tráfego de 0,83 e para áreas de baixo fluxo de tráfego (áreas residenciais) é de 0,68, para cada um dos ajustamentos lineares efectuados, gerando um plano de mitigação e controlo destes gases.